본문 바로가기
KERD
논문KCI 등재

중소기업 신용보강을 위한 딥러닝 기업 건전성 분류

Classifications of SMEs’ Financial Soundness using Deep Learning

류두진|송민찬
한국금융공학회 (Korean Association of Financial Engineering)|2022.06|金融工學硏究 (Korean Journal of Financial Engineering)|제21권 제2호|pp. 103-122|DOI 10.35527/kfedoi.2022.21.2.005

0

조회

0

다운로드

2

인용

0

참고문헌

키워드

중소기업Small and Medium-sized EnterprisesESGDeep Neural Network심층신경망신용보강변수선택법Credit ComplementFeature-Selection
주제분류경영학

초록

본 연구는 상관계수, 로지스틱 회귀, 랜덤포레스트를 활용한 각 변수선택법을 활용하여 접근성과 설명력이 높은 기업정보 중심의 모델을 구축한다. 이를 딥러닝 모형에 적합을 시켜 건전성 보유기업 여부를 분류한다. 분류모형 구축을 위해 한국기업지배구조원의 ESG 등급평가 자료 및 NICE 기업정보를 연구자료로 활용하였다. 분석자료를 심층 신경망 모형에 적합한 결과, 세 가지 변수선택법 방법론 중 임베딩 방식을 활용한 랜덤포레스트 기반의 피쳐셀렉션 모형에서 분류성능이 가장 높게 나타남을 확인하였으며, 이를 바탕으로 심층신경망의 은닉층을 확장하는 형태로 성능개선을 시도하였다. 5개의 은닉층을 통한 분류를 진행할 경우 기업의 건전성 보유 여부에 대해 예측할 수 있으며, 신경망 분석에서의 은닉층 확장이 계속적인 모형의 성능개선을 만들어내지는 못하는 것이 확인되었다. 본 연구는 중소기업을 위한 여신금융지원 체계가 요구되는 시점의 연구로서, 정책당국의 현행 여신금융 기관을 향한 중소기업과 소상공인 지원을 위한 정책방향과 실행방안을 간접적으로 제언한다. 또한, 현행 기업평가 체계에 대한 점검의 필요성과 딥러닝을 활용한 건전성 보유기업의 판별 가능성을 시사한다.

Abstract

This study investigates the effectiveness of binary classification in financial soundness by three feature selection methods using corporate information. We analyze the ESG-rating data from Korea Corporate Governance Service and corporate information data from NICE. For feature selection, the correlation coefficient, logistic regression, and random forest models are employed. Each model is fitted by a deep neural network for binary classification. The random-forest-based feature selection yields a significant performance improvement. Classification with the deep neural network can make better performance when its network has five hidden layers. The deep learning technique in our model enables a more effective credit-rating model than the existing system, even with easily accessible and available data. We suggest that financial institutions can use a deep learning classification model to find credit enhancement measures for SMEs.

참고문헌 (42)

  1. 김동욱, "기업지배구조와 기업실패 : 생존분석을 응용한 지배구조의 영향 분석", 金融工學硏究, 19(3), pp.101~126 (2020), 한국금융공학회[DOI]
  2. 김병관, "벤처기업 투자 심사를 위한 정성 평가 지표의 유효성 검증: 사례연구", 기술혁신연구, 25(4), pp.79~106 (2017), 기술경영경제학회[DOI]
  3. 김윤경, "기업 비재무정보(ESG) 공시가 재무성과와 기업가치에 미치는 영향", 규제연구, 29(1), pp.35~59 (2020), 한국규제학회[DOI]
  4. 김형준, "기업부도예측과 기계학습", 金融工學硏究, 18(3), pp.131~152 (2019), 한국금융공학회[DOI]
  5. 박대현, "기계학습 기반 주택시장의 조기경보체계", 부동산분석, 7(1), pp.29~45 (2021), 한국부동산원
  6. 류두진, "기계학습 기반 기업신용정보 분석을 통한 채무불이행 예측", 재무연구, 34(4), pp.199~234 (2021), 한국재무학회
  7. 양합, "기업의 사회적 책임활동이 이익조정과 기업가치에 미치는 영향에 관한 실증적 연구 -한국과 중국상장 기업을 중심으로-", 산업경제연구, 33(2), pp.571~594 (2020), 한국산업경제학회[DOI]
  8. 이크레더블, "기업신용평가체계 공시", 이크레더블 홈페이지, ~ (2022)
  9. 임욱빈, "비재무적 정보가 기업성과에 미치는 영향 : ESG 점수를 중심으로", 국제회계연구, (86), pp.119~144 (2019), 한국국제회계학회[DOI]
  10. 차우준, "기술신용평가기관(TCB) 기술평가 모형의 금융기관 활용 적합성에 대한 연구: TCB 평가를 받은 기업들 사례 중심으로", 한국경영공학회지, 21(1), pp.71~93 (2016), 한국경영공학회
  11. 차우준, "기술신용평가기관(TCB)의 기술평가는 기업의 성장가능성을 예측할 수 있는가? : ‘양호 이상’ 기업들 사례 중심으로", 한국경영공학회지, 22(1), pp.15~37 (2017), 한국경영공학회[DOI]
  12. 한국평가데이터, "기업신용등급 산정기준", 한국평가데이터 홈페이지, ~ (2022)
  13. 김용덕, "우리나라 중소기업 대출과정에서 관계금융의 영향분석", 한국증권학회지, 50(5), pp.521~556 (2021), 한국증권학회[DOI]
  14. NICE디앤비, "기업평가등급체계 공시", 나이스디앤비 홈페이지, ~ (2022)
  15. NICE평가정보, "기업평가등급체계 공시", 나이스평가정보 홈페이지, ~ (2022)
  16. SCI평가정보, "기업신용평가체계", 에스씨아이평가정보 홈페이지, ~ (2015)
  17. Bowles, M., "Machine learning in Python: Essential techniques for predictive analysis" (2015), John Wiley & Sons
  18. Cheng, Q., "Logistic regression for feature selection and soft classification of remote sensing data", IEEE Geoscience and Remote Sensing Letters, 3(4), pp.491~494 (2006)
  19. Guyon, I., "An introduction to variable and feature selection", Journal of Machine Learning Research, 3, pp.1157~1182 (2003)
  20. Gelman, A., "Exploratory data analysis for complex models", Journal of Computational and Graphical Statistics, 13(4), pp.755~779 (2004)
  21. Hall, M. A., "Correlation-based Feature Selection for Machine Learning" (1999)
  22. Heaton, J., "An empirical analysis of feature engineering for predictive modeling", IEEE, SoutheastCon 2016, pp.1~6 (2016)
  23. Hinton, G. E., "A fast learning algorithm for deep belief nets", Neural Computation, 18(7), pp.1527~1554 (2006)
  24. Ho, Y., "The real-world-weight cross-entropy loss function : Modeling the costs of mislabeling", IEEE Access, 8, pp.4806~4813 (2019)
  25. Jacobs, R. A., "Increased rates of convergence through learning rate adaptation", Neural Networks, 1(4), pp.295~307 (1988)
  26. Jayalakshmi, T., "Statistical normalization and back propagation for classification", International Journal of Computer Theory and Engineering, 3(1), pp.1793~8201 (2011)
  27. Jović, A., "A review of feature selection methods with applications", 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), pp.1200~1205 (2015), IEEE
  28. Karasu, S., "Recognition model for solar radiation time series based on random forest with feature selection approah", 2019 11th International Conference on Electrical and Electronics Engineering (ELECO), pp.8~11 (2019)
  29. Kim, H., "Corporate default predictions using machine learning : Literature review", Sustainability, 12(16), pp.6325~ (2020)
  30. Kim, H., "Predicting corporate defaults using machine learning with geometric-lag variables", Investment Analysts Journal, 50(3), pp.161~175 (2021)
  31. Kim, H., "Corporate bankruptcy prediction using machine learning methodologies with a focus on sequential data", Computational Economics, 59, pp.1231~1249 (2022)
  32. Kuhn, M., "Feature engineering and selection: A practical approach for predictive models" (2019), CRC Press
  33. Li, X., "Building Auto-Encoder Intrusion Detection System based on random forest feature selection", Computers & Security, 95, pp.101851~ (2020)
  34. Nti, K. O., "Random forest based feature selection of macroeconomic variables for stock market prediction", American Journal of Applied Sciences, 16(7), pp.200~212 (2019)
  35. Park, D., "A machine learning-based early warning system for the housing and stock markets", IEEE Access, 9, pp.85566~85572 (2021)
  36. Samuel, A. L., "Some studies in machine learning using the game of checkers", IBM Journal of Research and Development, 3(3), pp.210~229 (1959)
  37. Schmidt, H. J., "Nonparametric regression using deep neural networks with ReLU activation function", The Annals of Statistics, 48(4), pp.1875~1897 (2020)
  38. Srivastava, N., "Dropout : a simple way to prevent neural networks from overfitting", Journal of Machine Learning Research, 15(1), pp.1929~1958 (2014)
  39. Tukey, J. W., "Exploratory data analysis" (1977), Addison-Wesley Publishing Company
  40. Yu, X., "A general backpropagation algorithm for feedforward neural networks learning", IEEE Transactions on Neural Networks, 13(1), pp.251~254 (2002)
  41. Zhang, G., "Artificial neural networks in bankruptcy prediction : General framework and cross-validation analysis", European Journal of Operational Research, 116(1), pp.16~32 (1999)
  42. Zheng, A., "Feature engineering for machine learning: principles and techniques for data scientists" (2018), O'Reilly Media, Inc

관련 논문AI추천

심층신경망의 설명가능성과 하이퍼파라미터 특성에 관한 연구 -중소기업 신용평가를 중심으로-김소정, 이군희신용보증기금 · 중소기업금융연구2022 · 제42권 제1호딥러닝 기반 부실기업 예측모형에 관한 연구김성수, 안은주, 조재혁한국산업경영학회 · 경영연구2021 · 제36권 제1호기업 신용평가 모형에 설명 가능한 AI 적용을 위한 TabNet 기반 프레임워크: 기업 신용평가 모형 연구를 중심으로김창효, 이군희, 정승호한국중소기업학회 · 중소기업연구2023 · 제45권 제3호머신러닝을 활용한 중소기업 성장 예측: 재무와 정책지원 요인을 중심으로김기만, 이진웅경영경제연구소 · 경영경제연구2025 · 제47권 제2호TabNet을 활용한 국내 기업의 신용등급 예측에 관한 연구안현철, 정경호, 최혁진한국컴퓨터정보학회 · 한국컴퓨터정보학회논문지2024 · 제29권 제5호인공지능 기반 기업 부도예측 모델 실증 연구-시간적 특성을 반영한 개선을 중심으로이현, 김경영, 박중현, 정경민, 최희정한국IT정책경영학회 · 한국IT정책경영학회 논문지2023 · 제15권 제2호

이 간행물의 다른 논문 (5건)

DEA모형을 활용한 상장건설회사의 효율성 분석박송춘, 조영석, 김홍배, 유병하pp. 1-26분위수회귀분석을 이용한 ESG ETF의 가격괴리에 투자자심리가 미치는 영향 분석도연우, 김상배pp. 27-51코스피 롱/코스닥 숏 ETF의 투자전략에 대한 연구손경우, 정지영pp. 53-78비트코인 현물과 선물시장 사이의 가격발견기능과 전이효과에 관한 연구김은총, 이낙영, 강형구pp. 79-101경제정책 불확실성과 한·미 주식시장 변동성의 관계문성주pp. 123-141
원문 보기